[论文解读] The False Dilemma: Bayesian vs. Frequentist

Jordi Vallverdú|ArXiv.org|Apr 3, 2008

Statistics Education and Methodologies参考文献 31被引用 9

一句话总结

本文认为，贝叶斯统计与频率派统计之间的长期争论是一个虚假的两难困境，主张在科学实践中采用一种务实的、情境敏感的整合方法。它指出，决策需求、认知灵活性和现实适用性等操作性价值是采用贝叶斯方法的核心，尤其是在医学和政策等高风险领域。

ABSTRACT

There are two main opposing schools of statistical reasoning, Frequentist and Bayesian approaches. Until recent days, the frequentist or classical approach has dominated the scientific research, but Bayesianism has reappeared with a strong impulse that is starting to change the situation. Recently the controversy about the primacy of one of the two approaches seems to be unfinished at a philosophical level, but scientific practices are giving an increasingly important position to the Bayesian approach. This paper eludes philosophical debate to focus on the pragmatic point of view of scientists' day-to-day practices, in which Bayesian methodology is very useful. Several facts and operational values are described as the core-set for understanding the change.

研究动机与目标

• 论证贝叶斯与频率派统计之间的哲学对立是无益且具有误导性的。
• 将关注点从意识形态争论转向科学决策中的实际操作性价值。
• 展示贝叶斯方法在现实世界科学与政策语境中具有更优的实用性。
• 识别历史上阻碍贝叶斯方法采纳的非认识论因素，如培训、计算资源获取和编辑文化。
• 提出一种更丰富的科学价值体系，基于情境化决策需求，整合两种统计框架。

提出的方法

• 分析从古代掷骰子游戏到现代统计理论的概率与统计的历史和哲学根源。
• 考察关键历史发展：帕西奥利问题、卡达诺、帕斯卡与费马的解法、贝叶斯定理，以及费希尔、内曼与皮尔逊奠定的频率派基础。
• 评估主观概率与客观概率的作用，追溯从经典概率到主观贝叶斯主义的演变。
• 回顾贝叶斯方法在医学、流行病学、金融和神经网络等多元领域中的实证采纳情况。
• 识别贝叶斯方法使用障碍（如培训、计算成本、编辑阻力），并论证这些障碍如今已因技术与文化变革而减弱。
• 提出一种基于情境化决策层级的综合模型——包括患者护理、研究和政策，每一层级均需不同的推断标准。

实验结果

研究问题

• RQ1 贝叶斯与频率派统计之争是否是真正的科学困境，还是一个虚假二分法？
• RQ2 在统计推断的方法选择中，哪些实际的、非认识论的价值驱动科学家的决策？
• RQ3 科学与政策中的决策情境为何需要不同的统计方法？
• RQ4 为何尽管贝叶斯方法具有理论优势，历史上仍长期被低估使用？
• RQ5 一种混合的或情境敏感的统计推断方法能否满足多样化的科学与政策需求？

主要发现

• 贝叶斯与频率派统计之争是一个虚假两难；两种方法在科学实践中具有不同但互补的角色。
• 操作性价值——如可解释性、认知灵活性和决策支持——如今在应用科学中更有利于贝叶斯方法。
• 阻碍贝叶斯方法采纳的障碍（培训、计算、编辑阻力）因技术和文化变革而逐渐减弱。
• 科学与政策决策在多个层级运作（诊断、干预、监管），每一层级均需不同的证据标准与推断方式。
• 同一证据在不同语境中可被不同解读：例如，科学中95%的确定性与法律中51%的多数优势，凸显了情境敏感推断的必要性。
• 需要一种更丰富的科学价值体系——基于现实决策需求而非哲学纯粹性，整合两种统计框架。